Module 02_FR.pdf

EMC Proven Professional. Copyright © EMC Corporation. All Rights Reserved.
MODULE 2:
LES TECHNOLOGIES MODERNES
AU SERVICE DE LA
TRANSFORMATION
NUMÉRIQUE
Module 2: Data Center Environment 1

À la fin de ce module, vous devriez être capable de:
• Définir le cloud computing
• Définir le Big Data et l’analyse de données
• Décrire les composants de l’analyse des données
• Définir l’Intélligence Artificielle et décrire ses composants et
outils
• Définir l’apprentissage automatique (Machine Learning)
• Définir l’Internet des Objets (IoT)
Module 2: Data Center Environment 2
Module 2: Les technologies modernes au
service de la transformation numérique

Les technologies modernes au service de la transformation numérique
• Cloud Computing: selon le NIST c’est un modèle permettant un accès
réseau pratique et à la demande à un pool partagé de ressources
informatiques configurables (par exemple, des réseaux, des serveurs, du
stockage, des applications et des services) qui peuvent être rapidement
provisionnés et libérés avec un minimum d'effort de gestion ou
d'interaction avec le fournisseur de services.
• Ce système peut être Internet, un réseau ou un cluster de calcul.
• Dans le cloud computing, un cloud est un ensemble de ressources
informatiques, y compris des ressources matérielles et logicielles.
• Vous pouvez déployer ces ressources soit dans un centre de données
unique, soit dans plusieurs centres de données dispersés
géographiquement et connectés via un réseau.
Module 1: Introduction to Information Storage 3

• Un fournisseur de services cloud est responsable de la construction, de
l'exploitation et de la gestion de l'infrastructure cloud.
• Le modèle de cloud computing permet aux clients de louer des
ressources informatiques en tant que service auprès d'un fournisseur.
• Un service cloud est une combinaison de ressources matériel et de
logiciel mises à la disposition du client par un fournisseur.
• L'infrastructure cloud contient des pools de ressources informatiques,
à partir desquels vous pouvez fournir des ressources aux clients en tant
que services sur un réseau, tel qu'Internet ou un intranet.
• Les ressources sont renvoyées au pool lorsque le consommateur les
libère.

Big Data Analytics: Les actifs informationnels dont le volume élevé,
la vitesse élevée et la grande variété nécessitent l'utilisation de
nouvelles architectures techniques et méthodes analytiques pour
obtenir des informations et pour en tirer une valeur commerciale.
•De nombreuses organisations telles que les ministères, la vente au
détail, les télécommunications, la santé, les réseaux sociaux, les
banques et les compagnies d'assurance utilisent des techniques
de science des données pour bénéficier de l'analyse du Big Data.
•La définition du Big Data comporte trois aspects principaux, qui
sont :

Big Data Analytics (suite):
• Le Big Data comprend des ensembles de données de tailles considérables
contenant à la fois des données numériques structurées et non structurées.
• Outre leur taille, les données sont générées et changent rapidement, et
proviennent également de diverses sources.
• Le Big Data dépasse également la capacité de stockage et de traitement des
infrastructures informatiques et des systèmes logiciels conventionnels.
• Il nécessite non seulement une architecture hautement évolutive pour un
stockage efficace, mais également des technologies et des méthodes de
traitement nouvelles et innovantes.
• Ces technologies utilisent généralement des plates-formes telles que le
traitement distribué, le traitement massivement parallèle et l'apprentissage
automatique (Machine learning).

Big Data Analytics (suite):
• La discipline émergente de la science des données représente la synthèse
de plusieurs disciplines existantes, telles que les statistiques, les
mathématiques, la visualisation de données et l'informatique pour l'analyse
du Big Data.
• L'analyse de données volumineuses revêt une importance commerciale
considérable pour les organisations.
• La recherche, l'agrégation et le référencement croisé de grands ensembles
de données en temps réel ou quasi réel permettent d'obtenir des
informations précieuses à partir des données.
• Cela permet une meilleure prise de décision basée sur les données.

Caractéristiques du Big Data:
• Outre les caractéristiques de volume, de vitesse et de variété communément appelées
«les 3V», les trois autres caractéristiques du Big Data incluent la variabilité, la véracité et
la valeur.
• Volume : Le mot « Big » dans Big Data fait référence aux volumes massifs de données. Les
organisations assistent à une croissance sans cesse croissante des données de tous types,
telles que les données basées sur les transactions stockées au fil des ans, les données des
capteurs et les données non structurées provenant des médias sociaux.
• Cette croissance des données atteint des échelles de pétaoctets, voire d'exaoctets.
• Le volume excessif nécessite non seulement un stockage rentable substantiel, mais pose
également des défis dans l'analyse des données.

• Vélocité : la vélocité fait référence à la vitesse à laquelle les données sont
produites et modifiées, ainsi qu'à la vitesse à laquelle les données doivent
être traitées pour répondre aux besoins de l'entreprise.
• Aujourd'hui, les données sont générées à une vitesse exceptionnelle, et
l'analyse en temps réel ou quasi réel des données est un défi pour de
nombreuses organisations.
• Il est essentiel que les données soient traitées et analysées, et que les
résultats soient livrés en temps opportun.
• Un exemple d'une telle exigence est la reconnaissance faciale en temps réel
pour le contrôle des passagers dans les aéroports.

• Variété : La variété fait référence à la diversité des formats et des types de
données.
• Les données sont générées par de nombreuses sources sous diverses formes
structurées et non structurées.
• Les organisations sont confrontées au défi de gérer, fusionner et analyser les
différentes variétés de données de manière rentable.
• La combinaison de données provenant d'une variété de sources de données et
dans une variété de formats est une exigence clé dans l'analyse du Big Data.
• Un exemple d'une telle exigence consiste à combiner un grand nombre de
dossiers changeants d'un patient particulier avec diverses recherches médicales
publiées pour trouver le meilleur traitement.

•Variabilité : La variabilité fait référence à la signification
constamment changeante des données.
•Par exemple, l'analyse de la recherche en langage naturel et des
publications sur les réseaux sociaux nécessite l'interprétation
d'une grammaire complexe et très variable.
•L'incohérence dans la signification des données donne lieu à des
défis liés à la collecte des données et à l'interprétation de leur
contexte.

• Véracité : La véracité fait référence aux différentes données de qualité et de fiabilité.
• La qualité des données recueillies peut être très différente et la précision de l'analyse
dépend de la véracité des données sources.
• Établir la confiance dans le Big Data présente un défi majeur car à mesure que la
variété et le nombre de sources augmentent, la probabilité de bruit et d'erreurs dans
les données augmente.
• Par conséquent, un effort important peut être consacré au nettoyage des données
pour supprimer le bruit et les erreurs, et pour produire des ensembles de données
précis avant que l'analyse ne puisse commencer.
• Par exemple, une organisation de vente au détail peut avoir collecté des données sur le
comportement des clients à partir de différents systèmes pour analyser les modèles
d'achat de produits et prédire l'intention d'achat. L'organisation devrait nettoyer et
transformer les données pour les rendre cohérentes et fiables.

Référentiels de données :
• Les données d'analyse proviennent généralement de référentiels tels que
les entrepôts de données (Data warehouses) d'entreprise et les lacs de
données (Data lakes).
• Un entrepôt de données est un référentiel central de données intégrées
recueillies à partir de plusieurs sources différentes. Il stocke les données
actuelles et historiques dans un format structuré. Il est conçu pour
l'interrogation et l'analyse afin de soutenir le processus de prise de
décision d'une organisation.
• Par exemple, un entrepôt de données peut contenir des données de
ventes actuelles et historiques utilisées pour générer des rapports de
tendance pour les comparaisons de ventes.

• Un Data lake est un ensemble d'actifs de données structurés et non
structurés qui sont stockés sous forme de copies exactes ou quasi exactes
des formats source.
• L'architecture du data lake est une approche « fourre-tout » du Big Data.
• Contrairement aux entrepôts de données conventionnels, les données ne
sont pas classées lorsqu'elles sont stockées dans le référentiel, car la valeur
des données peut ne pas être claire au départ.
• Les données ne sont pas non plus organisées selon un schéma spécifique et
sont stockées à l'aide d'une architecture de stockage basée sur des objets.

• En conséquence, la préparation des données est éliminée et un data lake
est moins structuré qu’un data warehouse.
• Les données sont classées, organisées ou analysées uniquement
lorsqu'elles sont consultées.
• Lorsqu'un besoin métier se fait sentir, le data lake est interrogé et le sous-
ensemble de données qui en résulte est ensuite analysé pour fournir une
solution.
• Le but d’un data lake est de présenter une vue non raffinée des données à
des analystes hautement qualifiés et de leur permettre de mettre en œuvre
leurs propres techniques de raffinement et d'analyse des données.

Composants d'une solution d'analyse de Big Data:
• Les couches technologiques d'une solution d'analyse Big Data incluent le
stockage, les technologies MapReduce et les technologies de requête.
• Ces composants sont collectivement appelés la « pile SMAQ ».
• Les solutions SMAQ peuvent être mises en œuvre sous la forme d'une
combinaison de systèmes multi-composants.
• Il peut également être proposé en tant que produit avec un système
autonome comprenant le stockage, MapReduce et la requête - tout en un.

• Ces composants de la "pile SMAQ" sont :
 Stockage : la couche de base de la pile, et a une caractéristique d'architecture
distribuée avec un contenu principalement non structuré sous une forme non
relationnelle
 MapReduce : une couche intermédiaire dans la pile. Elle permet la distribution des
calculs sur plusieurs systèmes de calcul génériques pour un traitement parallèle afin
de gagner en vitesse et en coût. Elle prend également en charge un modèle de
traitement par lots de récupération et de calcul de données, par opposition à
l'orientation de jeu d'enregistrements de la plupart des bases de données basées sur
SQL.
 Query : cette couche implémente généralement une base de données NoSQL pour
stocker, récupérer et traiter les données. Elle fournit également une plate-forme
conviviale pour l'analyse et la création de rapports

Cas d'utilisation du Big Data :
•Dans la santé:
Fournit des informations de diagnostic consolidées et permet aux
prestataires de soins de santé d'analyser les données des patients ;
améliorer les soins aux patients et les résultats;
minimiser les erreurs ;
accroître l'engagement des patients ;
et améliorer les opérations et les services.
Ces solutions permettent également aux prestataires de soins de
surveiller les patients et d'analyser leurs expériences en temps réel.

•Dans le commerce de détails et le commerce électronique:
Fournit des informations précieuses pour des prix compétitifs,
anticipant la demande future, des campagnes marketing efficaces, un
assortiment d'inventaire optimisé et une distribution améliorée.
Cela leur permet de fournir des prix et des services optimaux aux
clients, ainsi que d'améliorer les opérations et les revenus.
•Dans la Gouvernance:
Facilite l'amélioration de l'efficience et de l'efficacité dans divers
domaines tels que les services sociaux, l'éducation, la défense, la
sécurité nationale, la prévention du crime, les transports, la conformité
fiscale et la gestion des revenus.

•Dans l’analyse des réseaux sociaux:
Permet d'obtenir des informations précieuses à partir des données
générées via les réseaux sociaux.
Cette analyse permet la découverte et l'analyse des communautés, la
personnalisation pour les activités solitaires (par exemple, la recherche) et
les activités sociales (par exemple, la découverte d'amis potentiels).
Cela implique également l'analyse du comportement des utilisateurs dans
les forums ouverts (par exemple, les sites conventionnels, les blogs et les
communautés) et dans les plateformes commerciales (par exemple, le
commerce électronique).

•Dans les jeux:
Prend en charge la collecte de données à partir de jeux et de joueurs en
ligne et hors ligne dans le monde entier. Les données peuvent être
utilisées à des fins publicitaires et pour améliorer l'expérience de jeu.
•Dans les services de Géolocalisation:
Permet aux entreprises d'utiliser les services de géolocalisation dans leurs
applications pour localiser les clients. Ces données peuvent être utilisées
pour améliorer le service et l'expérience client globale.

Internet des Objets (IoT):
• L'Internet des objets (IoT) est le concept de mise en réseau d'objets tels que des
objets et des personnes pour collecter et échanger des données.
• L'idée est que les objets de la vie réelle peuvent partager et traiter
indépendamment des informations - sans que les humains aient quoi que ce soit à
voir avec l'étape de saisie des données.
• L'IoT prend en charge la communication machine à machine (M2M), permettant
aux appareils de communiquer entre eux pour fournir des résultats basés sur les
données plus rapides, précis et opportuns.
• L'utilisation de l'IoT oblige les organisations à stocker de gros volumes de données,
ainsi qu'à traiter et analyser les données en temps réel.
• Cela nécessite également une transformation du centre de données pour répondre
aux exigences du réseau, de la sécurité, du stockage et de la gestion des données.

• Composants de l'Internet des objets:
 Une implémentation IoT nécessite une bonne compréhension de ses composants
et de la communication de tous les appareils et applications IoT à l'aide de diverses
normes. Les trois composants de l'IoT comprennent :

• Capteurs : appareils intelligents qui détectent les changements dans
leur environnement, produisent et transmettent des données
numériques.
• Les capteurs doivent être capables de détecter un large éventail de
phénomènes physiques allant de la température, de la pression, au
mouvement et aux champs magnétiques.
• Des exemples de capteurs incluent les thermostats, les capteurs
d'humidité, les accéléromètres, les capteurs de gaz/fumée, etc.
• Dans l'IoT, différents capteurs sont utilisés pour différentes
applications IoT afin de produire et de transférer les données à traiter.

• Actionneurs : dispositifs qui collectent les données des capteurs et
exécutent l'action requise.
• Les actionneurs consomment de l'énergie pour produire une action
physique comme créer un mouvement ou contrôler un système.
• Des exemples d'actionneurs comprennent un moteur électrique qui utilise
l'énergie électrique pour générer un mouvement, des actionneurs
hydrauliques utilisent la pression d'un fluide pour générer un mouvement.
Dans l'IoT, les actionneurs aident à automatiser les opérations en
appliquant une force basée sur la dynamique des données générées par les
capteurs.

• Passerelles : l'IoT implique des milliards d'appareils qui se trouvent sur différents réseaux
et qui se connectent pour la communication de données.
• Les passerelles sont des dispositifs qui gèrent le trafic de données entre les réseaux en
traduisant leurs protocoles réseau.
• Ce processus garantit que les appareils fonctionnant dans différents réseaux sont
interopérables.
• Dans l'IoT, ces dispositifs de passerelle peuvent également être conçus pour analyser et
sécuriser les données collectées à partir de capteurs avant de les transmettre à la phase
suivante.
• Exemple : dans un système d'irrigation moderne, les appareils IoT sont utilisés pour
surveiller le champ de culture et automatiser le système d'irrigation afin d'augmenter
l'efficacité et la productivité de l'ensemble des processus agricoles. Les capteurs
d'humidité du sol détectent les niveaux d'humidité dans le sol et envoient les données
appropriées à l'actionneur. Sur la base des données, le dispositif actionneur contrôlera le
débit d'eau à travers les vannes.

• Étant donné que ces appareils génèrent beaucoup de données, les
passerelles aident à transférer ces données vers le cloud pour le stockage.
• Les passerelles communiquent avec des capteurs à l'aide de divers protocoles
et traduisent les données appropriées pour la transmission dans le cloud.

Cas d'utilisation de l'Internet des objets:
• Domotique : L'utilisation de l'IoT est entrée dans l'environnement
résidentiel avec l'introduction de la technologie de la maison intelligente.
• Divers objets électroniques à la maison tels que le climatiseur, les lumières,
les réfrigérateurs, les caméras de sécurité, les cuisinières peuvent être
connectés à Internet à l'aide de capteurs.
• Cela permettra aux propriétaires de la maison de surveiller et de contrôler
efficacement les objets à tout moment, quel que soit leur emplacement.

• Villes intelligentes : le concept de villes intelligentes souligne la nécessité
d'améliorer la qualité de vie des citoyens en utilisant des infrastructures
publiques intelligentes.
• Ce processus permet d'optimiser la consommation d'énergie,
l'approvisionnement en eau efficace, la gestion des collectes de déchets, des
transports publics fiables à l'aide de capteurs IoT.
• Toutes ces données seront collectées et envoyées à un centre de contrôle qui
dirigera les actions nécessaires.
• Cette application de l’IoT peut également être étendue pour créer un
environnement plus intelligent grâce à la détection précoce des tremblements
de terre, de la pollution de l'air et des incendies de forêt.

Les technologies modernes au service de la
transformation numérique
• Les portables : Avec l'utilisation de portables et d'appareils intégrés sur les
personnes, les capteurs IoT peuvent collecter des données sur les
utilisateurs concernant leur santé, leur rythme cardiaque et leurs habitudes
d'exercice.
• Par exemple, les puces intégrées permettent aux médecins de surveiller les
patients en soins intensifs, ensuivre et tracer constamment tous leurs
signes vitaux. Les appareils portables ont également leur application dans
la détection et le signalement des crimes dans la ville.
• Industries manufacturières : L'utilisation de l'IoT dans les industries
manufacturières les aide à identifier les possibilités d'optimisation dans
leurs opérations quotidiennes.
• En appliquant l'IoT, ils sont non seulement capables de surveiller, mais ils
sont également capables d'automatiser les tâches complexes impliquées.

Apprentissage automatique (Machine Learning):
• Les passerelles communiquent avec des capteurs à l'aide de divers
protocoles et traduisent les données appropriées pour la transmission dans
le cloud.
• Les données augmentent à un rythme astronomique et il est impossible
d'en tirer pleinement parti manuellement pour obtenir des informations.
• L'automatisation peut fournir des informations plus rapides, meilleures et
plus approfondies sur les données.
• Avec les progrès des systèmes informatiques et des technologies
modernes, des machines intelligentes sont construites pour apprendre
automatiquement des données et prendre des décisions.
• Comme le cloud computing et les technologies Big Data génèrent des
données volumineuses, ces machines intelligentes aident à traiter les
données en temps réel.

• L'intelligence artificielle, l'apprentissage automatique et l'apprentissage en profondeur
sont trois concepts étroitement liés qui aident à intégrer cette capacité humaine dans les
systèmes informatiques.
• L'intelligence artificielle (IA) est un terme générique, tandis que l'apprentissage
automatique et profond sont les techniques qui rendent l'IA possible.
• L'IA est une technologie de création de systèmes intelligents qui fonctionnent et pensent
comme les humains.
• L'apprentissage automatique fait référence au processus de "formation" de la machine,
en introduisant de grandes quantités de données dans des algorithmes qui lui donnent la
capacité d'apprendre à effectuer la tâche sans être explicitement programmé.
• Au lieu d'écrire un programme, une machine reçoit des données.
• L'apprentissage automatique fait référence au processus de "formation" de la machine,
en introduisant de grandes quantités de données dans des algorithmes qui lui donnent la
capacité d'apprendre à effectuer la tâche sans être explicitement programmé. Au lieu
d'écrire un programme, une machine reçoit des données.

• À l'aide d'algorithmes, les machines apprennent à partir des données et accomplissent une
tâche spécifique.
• Lorsque la machine reçoit un nouvel ensemble de données, elle s'y adapte en apprenant
des expériences précédentes pour produire des sorties fiables.
• L'apprentissage en profondeur (deep learning) est une technique d'apprentissage
automatique qui utilise des réseaux de neurones comme architecture sous-jacente pour les
modèles de formation.
• Un calcul et un stockage rapides avec beaucoup de mémoire et une mise en réseau à large
bande passante permettront à la machine d'apprendre plus rapidement et de fournir des
résultats précis.
• Les réseaux de neurones sont un ensemble d'algorithmes utilisés pour établir des relations
dans un ensemble de données en imitant un cerveau humain.
• Un modèle d'apprentissage est un objet qui est fourni avec un algorithme ainsi qu'un
ensemble de données à partir desquelles il peut apprendre.

• Types d'algorithmes:
 Un processus d'apprentissage automatique implique la création d'algorithmes
mathématiques et statistiques qui peuvent accepter des données d'entrée et utiliser
une sorte d'analyse pour prédire la sortie.
 Dans ce processus, la première étape consiste à collecter les ensembles de données
pour analyse.
 Une fois les données collectées, sélectionnez le type d'algorithme à utiliser, puis
construisez un modèle.
 Entraînez le modèle avec des ensembles de données de test et improvisez le modèle
en conséquence pour la prise de décision future.
 La plupart des algorithmes d'apprentissage automatique peuvent être classés dans les
trois types suivants :

• Types d'algorithmes:

Impact sur le centre de données :
• L'intelligence artificielle et l'apprentissage automatique offrent de nouvelles
opportunités pour le centre de données et créent des défis si les organisations ne
sont pas prêtes à prendre en charge ces technologies du point de vue de leur
infrastructure.
• L'apprentissage automatique contribue à rendre le centre de données et sa gestion
efficaces en réduisant la consommation d'énergie, en maximisant l'utilisation et le
fonctionnement des ressources, en automatisant les opérations et en évitant les
temps d'arrêt.
• Les algorithmes d'apprentissage automatique peuvent être appliqués aux journaux
de données collectés à partir des ressources d'infrastructure pour identifier tout
problème ou problème de sécurité qui, autrement, deviendrait difficile à l'aide
d'opérations manuelles.

Impact sur le centre de données :
• Comme ce journal de données opérationnelles devient un ensemble de
données plus grand pour les systèmes d'apprentissage automatique, il
nécessite une capacité de stockage suffisante pour gérer et stocker
efficacement.
• Les applications d'apprentissage automatique nécessitent des
microprocesseurs haut de gamme pour un traitement plus rapide des
données et des solutions de stockage modernes pour suivre la vitesse de
traitement.
• Les organisations peuvent envisager d'utiliser des options de stockage en
cloud hybride pour réduire l'empreinte du centre de données,
l'équilibrage de charge et la rentabilité.

Cas d'utilisation de l'apprentissage automatique:
• Dans le secteur de l’énergie: Une grande quantité de données générées par cette
industrie est traitée à l'aide de solutions d'apprentissage automatique pour
augmenter leur productivité.
• Il aide à utiliser efficacement le stockage d'énergie en suivant l'utilisation.
• Gère différents types de sources d'énergie à l'aide de réseaux autonomes.
• Il aide également à prévoir les défaillances des composants et la demande de
consommation.
• Dans le secteur des Médias et du divertissement: Le contenu de l'industrie des
médias et du divertissement peut être automatiquement balisé à l'aide de
métadonnées en appliquant des solutions d'apprentissage automatique.
• Cette méthode améliore l'activité de recherche basée sur le contenu en trouvant
rapidement le bon contenu et aide les développeurs de contenu à optimiser le
contenu pour des publics spécifiques en fonction de leurs données de recherche.

Cas d'utilisation de l'apprentissage automatique:
• Dans le Sport: L'apprentissage automatique peut être appliqué au sport pour prédire les
résultats des jeux, aider les entraîneurs à mieux comprendre les performances des joueurs
et à mieux organiser les jeux avec une stratégie appropriée en analysant les performances
et les données de jeu.
• Dans les services financiers: Les banques et autres entreprises utilisent l'apprentissage
automatique pour détecter et prévenir les activités frauduleuses pour les cartes de crédit
et les comptes bancaires.
• Il aide également à identifier les opportunités d'investissement pour les commerçants en
surveillant les changements du marché.
• Il est utilisé pour fournir des solutions de gestion des risques telles que la prévision des
crises financières, les capacités de remboursement des prêts des clients et la sécurisation
des données financières.

Concepts en pratique:
• Dell EMC Cloud pour Microsoft Azure: Fournit une infrastructure et une plate-forme
en tant que service avec une expérience Azure cohérente sur site et dans le cloud
public.
• Cette plate-forme est construite sur l'architecture hyperconvergée VxRack AS qui
comporte des blocs de construction modulaires appelés nœuds et alimentés par les
capacités de stockage et de mise en réseau définies par logiciel de Microsoft Windows.
• Il est géré à l'aide de l'interface Microsoft Azure Stack.
• Cloud pour Microsoft Azure Stack fournit une solution simple et économique qui offre
plusieurs options de performances et de capacité pour répondre à tous les cas
d'utilisation et couvre une grande variété d'applications et de charges de travail natives
du cloud.

• Dell EMC Cloud pour Microsoft Azure:
 Fournit une infrastructure et une plate-forme en tant que service
 Fournit une expérience Azure cohérente sur site et dans le cloud public
 Utilise l'architecture hyperconvergée Dell EMC VxRack AS
 Alimenté par le stockage défini par logiciel et la mise en réseau de Microsoft
Windows

• Pivotal Cloud Foundry: Une solution plate-forme en tant que service pour les
entreprises, qui repose sur les fondations du projet PaaS open source Cloud
Foundry.
• Pivotal CF, optimisé par Cloud Foundry, permet de rationaliser le développement,
le déploiement et les opérations d'applications dans les clouds privés et publics.
• Il prend en charge plusieurs langages de programmation et frameworks.
• Il aide les développeurs à déployer leurs applications sans se soucier de la
configuration et de la gestion de l'infrastructure cloud sous-jacente.
• Il fournit des mises à jour de pile sans temps d'arrêt lors de la migration des
applications vers la nouvelle pile.
• Les développeurs peuvent utiliser les contrôles de sécurité proposés par PCF.

•Pivotal Cloud Foundry:
Une solution plate-forme en tant que service pour les entreprises
Développement, déploiement et opérations d'applications dans les
clouds publics et privés
Prend en charge plusieurs langages de programmation et frameworks
Décharge les développeurs de la configuration et la gestion des tâches
d'infrastructure

• Dell Edge Gateway : Un dispositif intelligent conçu pour agréger, sécuriser,
analyser et relayer les données de divers capteurs et équipements à la
périphérie du réseau.
• Ces passerelles relient les systèmes hérités et les capteurs modernes à
Internet, ce qui permet d'obtenir des informations commerciales à partir des
données omniprésentes en temps réel de vos machines et équipements.
• Il est compact, consomme moins d'énergie et convient aux cas d'utilisation
difficiles sur le terrain et mobiles.
• Il est conçu pour une gestion flexible à l'aide de Dell Edge Device Manager ou
d'une console tierce sur site.

•Dell Edge Gateway :
Agrége, sécurise, analyse et relaie les données
Fonctionne à la périphérie du réseau
Compact, consomme moins d'énergie
Relie les anciens systèmes et les capteurs modernes à Internet.

• VMware Cloud sur AWS : Étend le logiciel VMware Software Defined Data
Center (SDDC) au cloud AWS.
• Ce logiciel SDDC se compose de plusieurs autres produits, notamment
vCenter Server pour la gestion du centre de données, vSAN pour le stockage
défini par logiciel et NSX pour la mise en réseau définie par logiciel.
• Il permet aux clients d'exécuter leurs applications basées sur VMware
vSphere dans des environnements cloud privés, publics et hybrides avec un
accès optimisé aux services AWS.
• Il aide les machines virtuelles du SDDC à accéder aux services AWS EC2 et S3.
• Cette solution permet la migration de la charge de travail, permet aux clients
d'utiliser la dimension mondiale des centres de données AWS et la flexibilité
de la gestion.

•VMware Cloud sur AWS :
Étend le logiciel SDDC au cloud AWS
Comprend vCenter Server, VMware vSphere, vSAN et NSX
Prend en charge les environnements cloud privés, publics et hybrides.
Aide les machines virtuelles du SDDC à accéder aux services AWS EC2
et S3

Module 02_FR.pdf

Recommandé

Recommandé

Contenu connexe

Similaire à Module 02_FR.pdf

Similaire à Module 02_FR.pdf (20)

Plus de gorguindiaye

Plus de gorguindiaye (7)

Module 02_FR.pdf